基于WT-CNN-LSTM的溶解氧含量预测模型
发布时间：2021-03-25 12:59
溶解氧（Dissolved oxygen,DO）含量是影响水产养殖产量的重要因素之一具有时序性、不稳定性和非线性等特点,且其影响因子过多、存在复杂的耦合关系,难以实现精准预测。针对传统长短时记忆神经网络（Long shortterm memory,LSTM）预测模型易引入冗余数据,且在训练过长序列时会出现梯度消失现象,从而不能捕捉因子间长期的依赖性问题,提出了基于小波变换（Wavelet transform,WT）、卷积神经网络（Convolutional neural network,CNN）和LSTM的溶解氧含量预测模型。首先使用WT降低数据噪声;然后,使用CNN深度挖掘各变量之间的潜在关系;最后,利用,LSTM的时序性预测2 h后的水产养殖溶解氧含量。结果表明,本文提出的WT-CNN-LSTM模型预测效果良好,其平均绝对误差、均方根误差和决定系数分别为0.138、0.229和0.954,比传统LSTM模型分别优化了28.87%、21.03%和4.61%。
【文章来源】：农业机械学报. 2020,51(10)北大核心EICSCD
【文章页数】：8 页
【部分图文】：
池塘传感器分布图Fig．1Distributionmapofsensorsinpond
分尽可能多地被发现，因此成为当前分析时间序列的有效工具［20］。其流程如图2所示。图2小波变换流程图Fig．2Processofwavelettransform具体步骤为:(1)小波分解:根据不同变量的数据特征选择最佳小波函数对含噪信号进行分解，本文使用了常见的haar、coif、sym、db4种小波。(2)阈值量化:为分解后每一层的高频系数选择合适的阈值，本文采用的是全局阈值。(3)小波重构:根据第1层至第N层的高频系数和第N层的低频系数进行小波重构，最终实现降噪。(4)降噪效果评价:一般来说，信号的信噪比(Signaltonoiseratio，SNＲ)与估计信号同原始信号的均方根误差(Ｒootmeansquarederror，ＲMSE)是评价降噪效果的标准，SNＲ越大，ＲMSE越小，降噪效果越好。2.2CNNLSTM模型2.2.1卷积神经网络针对溶解氧影响因素多，且影响因子间存在复杂的耦合关系这一特点，本文使用CNN来挖掘输入变量间的潜在信息。它采用局部连接和共享权值的方式，通过卷积层和池化层交替使用来获取原始数据的有效表征，自动提取原始数据的有用特征形成特征向量［21－22］。构建卷积层和池化层的具体步骤为:(1)确定输入样本尺寸，初始化卷积层和池化层中的卷积核尺寸和数量。(2)将降噪后的数据输入CNN模型。(3)通过改变池化层中卷积核的尺寸，对比最终结果，选择池化层中卷积核的最佳尺寸。2.2.2长短时记忆神经网络LSTM网络是循环神经网络(Ｒecurrentneuralnetwork，ＲNN)的改进版本。标准的ＲNN结构中只有一个神经元、一个tanh层进行重复学习，而LSTM引入了“门”的结构来去除或者增加?
2长短时记忆神经网络LSTM网络是循环神经网络(Ｒecurrentneuralnetwork，ＲNN)的改进版本。标准的ＲNN结构中只有一个神经元、一个tanh层进行重复学习，而LSTM引入了“门”的结构来去除或者增加信息到细胞状态的能力［23－24］，具体架构如图3所示。σ层输出0～1之间的数值，描述每个部分可以通过的量。LSTM拥有3个门，即输入门、输出门和遗忘门，来保护和控制细胞状态。遗忘门决定从“细胞”中丢弃的信息，输入门决定将要更新的值，图3LSTM结构图Fig．3StructurediagramofLSTM输入门和遗忘门协同更新细胞的信息编码。LSTM模型相应计算公式为ft=σ(Wf［ht－1，xt］+bf)(1)it=σ(Wi［ht－1，xt］+bi)(2)Ct=tanh(WC［ht－1，xt］+bC)(3)C"t=ftC"t－1+itCt(4)ot=σ(Wo［ht－1，xt］+bo)(5)ht=ottanh(C"t)(6)式中it、ft、ot———输入门、遗忘门、输出门xt———t时刻的输入σ(·)———sigmoid激活函数tanh(·)———双曲正切激活函数Wi、Wf、Wo———输入门、遗忘门、输出门权重WC———候选向量权重bi、bf、bo———输入门、遗忘门、输出门偏置bC———候选向量偏置Ct———t时刻的候选向量C"t———t时刻的候选向量更新值ht、ht－1———t、t－1时间点模型的所有输出2.2.3CNNLSTM模型构建CNN多用于
【参考文献】：
期刊论文
[1]考虑上下游的LSTM短时交通流量预测[J]. 满春涛,康丹青. 哈尔滨理工大学学报. 2019(05)
[2]基于粒子群优化LSTM的股票预测模型[J]. 宋刚,张云峰,包芳勋,秦超. 北京航空航天大学学报. 2019(12)
[3]小波和傅里叶变换在坐标时间序列分析中的应用[J]. 蔡富,孙付平,戴海亮,朱新慧,张龙龙. 全球定位系统. 2019(04)
[4]基于FTVGG16卷积神经网络的鱼类识别方法[J]. 陈英义,龚川洋,刘烨琦,方晓敏. 农业机械学报. 2019(05)
[5]基于CNN-LSTM混合神经网络模型的短期负荷预测方法[J]. 陆继翔,张琪培,杨志宏,涂孟夫,陆进军,彭晖. 电力系统自动化. 2019(08)
[6]主成分分析和长短时记忆神经网络预测水产养殖水体溶解氧[J]. 陈英义,程倩倩,方晓敏,于辉辉,李道亮. 农业工程学报. 2018(17)
[7]融合ARIMA模型和GAWNN的溶解氧含量预测方法[J]. 吴静,李振波,朱玲,李晨. 农业机械学报. 2017(S1)
[8]鱼菜共生水体溶解氧时空变化规律及其影响因素研究[J]. 饶伟,杨卫中,位耀光,李道亮. 农业机械学报. 2017(S1)
[9]养殖中水体溶解氧的重要性[J]. 陈俊. 植物医生. 2016(11)
[10]类脑智能研究的回顾与展望[J]. 曾毅,刘成林,谭铁牛. 计算机学报. 2016(01)
硕士论文
[1]脉冲神经网络学习算法的研究及其应用[D]. 胡志根.电子科技大学 2017
[2]基于STDP的脉冲神经网络学习算法的研究[D]. 阮承妹.福建师范大学 2013
本文编号：3099722
【文章来源】：农业机械学报. 2020,51(10)北大核心EICSCD
【文章页数】：8 页
【部分图文】：
池塘传感器分布图Fig．1Distributionmapofsensorsinpond
分尽可能多地被发现，因此成为当前分析时间序列的有效工具［20］。其流程如图2所示。图2小波变换流程图Fig．2Processofwavelettransform具体步骤为:(1)小波分解:根据不同变量的数据特征选择最佳小波函数对含噪信号进行分解，本文使用了常见的haar、coif、sym、db4种小波。(2)阈值量化:为分解后每一层的高频系数选择合适的阈值，本文采用的是全局阈值。(3)小波重构:根据第1层至第N层的高频系数和第N层的低频系数进行小波重构，最终实现降噪。(4)降噪效果评价:一般来说，信号的信噪比(Signaltonoiseratio，SNＲ)与估计信号同原始信号的均方根误差(Ｒootmeansquarederror，ＲMSE)是评价降噪效果的标准，SNＲ越大，ＲMSE越小，降噪效果越好。2.2CNNLSTM模型2.2.1卷积神经网络针对溶解氧影响因素多，且影响因子间存在复杂的耦合关系这一特点，本文使用CNN来挖掘输入变量间的潜在信息。它采用局部连接和共享权值的方式，通过卷积层和池化层交替使用来获取原始数据的有效表征，自动提取原始数据的有用特征形成特征向量［21－22］。构建卷积层和池化层的具体步骤为:(1)确定输入样本尺寸，初始化卷积层和池化层中的卷积核尺寸和数量。(2)将降噪后的数据输入CNN模型。(3)通过改变池化层中卷积核的尺寸，对比最终结果，选择池化层中卷积核的最佳尺寸。2.2.2长短时记忆神经网络LSTM网络是循环神经网络(Ｒecurrentneuralnetwork，ＲNN)的改进版本。标准的ＲNN结构中只有一个神经元、一个tanh层进行重复学习，而LSTM引入了“门”的结构来去除或者增加?
2长短时记忆神经网络LSTM网络是循环神经网络(Ｒecurrentneuralnetwork，ＲNN)的改进版本。标准的ＲNN结构中只有一个神经元、一个tanh层进行重复学习，而LSTM引入了“门”的结构来去除或者增加信息到细胞状态的能力［23－24］，具体架构如图3所示。σ层输出0～1之间的数值，描述每个部分可以通过的量。LSTM拥有3个门，即输入门、输出门和遗忘门，来保护和控制细胞状态。遗忘门决定从“细胞”中丢弃的信息，输入门决定将要更新的值，图3LSTM结构图Fig．3StructurediagramofLSTM输入门和遗忘门协同更新细胞的信息编码。LSTM模型相应计算公式为ft=σ(Wf［ht－1，xt］+bf)(1)it=σ(Wi［ht－1，xt］+bi)(2)Ct=tanh(WC［ht－1，xt］+bC)(3)C"t=ftC"t－1+itCt(4)ot=σ(Wo［ht－1，xt］+bo)(5)ht=ottanh(C"t)(6)式中it、ft、ot———输入门、遗忘门、输出门xt———t时刻的输入σ(·)———sigmoid激活函数tanh(·)———双曲正切激活函数Wi、Wf、Wo———输入门、遗忘门、输出门权重WC———候选向量权重bi、bf、bo———输入门、遗忘门、输出门偏置bC———候选向量偏置Ct———t时刻的候选向量C"t———t时刻的候选向量更新值ht、ht－1———t、t－1时间点模型的所有输出2.2.3CNNLSTM模型构建CNN多用于
【参考文献】：
期刊论文
[1]考虑上下游的LSTM短时交通流量预测[J]. 满春涛,康丹青. 哈尔滨理工大学学报. 2019(05)
[2]基于粒子群优化LSTM的股票预测模型[J]. 宋刚,张云峰,包芳勋,秦超. 北京航空航天大学学报. 2019(12)
[3]小波和傅里叶变换在坐标时间序列分析中的应用[J]. 蔡富,孙付平,戴海亮,朱新慧,张龙龙. 全球定位系统. 2019(04)
[4]基于FTVGG16卷积神经网络的鱼类识别方法[J]. 陈英义,龚川洋,刘烨琦,方晓敏. 农业机械学报. 2019(05)
[5]基于CNN-LSTM混合神经网络模型的短期负荷预测方法[J]. 陆继翔,张琪培,杨志宏,涂孟夫,陆进军,彭晖. 电力系统自动化. 2019(08)
[6]主成分分析和长短时记忆神经网络预测水产养殖水体溶解氧[J]. 陈英义,程倩倩,方晓敏,于辉辉,李道亮. 农业工程学报. 2018(17)
[7]融合ARIMA模型和GAWNN的溶解氧含量预测方法[J]. 吴静,李振波,朱玲,李晨. 农业机械学报. 2017(S1)
[8]鱼菜共生水体溶解氧时空变化规律及其影响因素研究[J]. 饶伟,杨卫中,位耀光,李道亮. 农业机械学报. 2017(S1)
[9]养殖中水体溶解氧的重要性[J]. 陈俊. 植物医生. 2016(11)
[10]类脑智能研究的回顾与展望[J]. 曾毅,刘成林,谭铁牛. 计算机学报. 2016(01)
硕士论文
[1]脉冲神经网络学习算法的研究及其应用[D]. 胡志根.电子科技大学 2017
[2]基于STDP的脉冲神经网络学习算法的研究[D]. 阮承妹.福建师范大学 2013
本文编号：3099722
本文链接：https://www.wllwen.com/nykjlw/scyylw/3099722.html
